论文部分内容阅读
点对点P2P(Peer-to-Peer, P2P)做为一种分布式模型追求的是自治个体之间通过直接交换来共享资源和服务,符合未来网络发展的要求。但是,随着无线接入技术的出现,以及移动终端功能的增强,大量的分布式应用出现在异构网络环境中。因此,异构网络环境中的MP2P(Mobile Peer-to-Peer, MP2P)关键技术研究具有较高的理论意义和实用价值。提出了一种基于VL-Chord(Vector Location Chord)的MP2P资源发现算法。蜂窝分区和极坐标把整个网络划分为不同的区域,建立包含归属大区、距离和方向三维位置矢量信息的路由表。新的路由表体现了跨层优化,从而实现资源的快速发现;VL-Chord算法可以双向查找,克服了常见的拓扑失配问题。DCM(Dynamic Cellar Management)机制实现了资源的动态分配,降低了移动性造成的开销。基于OMNeT++的仿真表明:随着MP2P网络规模的增大,VL-Chord算法降低了路由跳数和延迟,同时,增强了负载均衡能力。仿真数据和理论分析的值基本接近,进一步体现了算法的有效性和可信性。提出了一种基于环动态调整的MP2P网络自组织资源发现算法RDAS(Ring Dyanmic Adjustable Self-orginazation, RDAS)。整个MP2P网络被划分为半径按照指数增加的同心环,定义了节点的失效率。RDAS算法以指数级别逼近目标,具有较高的路由效率,且不存在拓扑失配。RDAS算法克服了移动性带来的影响,在部分网络连接失效时,可以根据节点移动速度和环半径来动态调整失效率,体现了算法较好的灵活性和容错性。基于OMNeT++的仿真验证:RDAS算法本身查找效率较高,失效率随着节点速度和半径参数动态变化;并可以通过动态调整两个参数,以达到节点失效率的动态平衡。提出了一种基于神经网络的MP2P流量智能管理模型BP-IM(BP Neural Network and Intelligent Management)。对网络进行半分布式分域建模,BP神经网络(BP Neural Network, BPNN)对流量进行有效测量,MP2P流量优先级别表格动态调整流量的分配。BP-IM具有模型配置灵活,高效检测、易于扩展的特点,降低了模型复杂度。基于OMNeT++的仿真表明:相比传统的模型,BP-IM对级别较高的流量处理时延小,节约了带宽资源,避免了网络拥塞;流量处理时延随着流量优先级别的增加而减小,体现了BP-IM模型智能管理的理念。提出一种基于主从结构的MP2P网络信任惩罚模型MSSP (Master-SlaveStructure Publishment, MSSP)。分级管理把节点划分为信誉服务器节点和普通节点,并被赋予不同的数据结构;信誉服务器来负责信誉值加权更新,是一种混合式的信任模型。交易信誉综合考虑了域内信誉和推荐信誉,MSSP更具有抗攻击能力。信誉折半惩罚机制有效降低了恶意节点的影响。基于OMNeT++的仿真验证:MSSP信任模型在静态和动态网络环境中,均有较好的性能;尤其在动态环境中,MSSP交易请求成功率相对于传统的模型提高了22%;MSSP交易成功率收敛速度快的特点也符合MP2P信任模型构建要求。在以上研究的基础上,本文还对超级节点选取和网络QoS保障进行了研究,并提出了相关的算法和模型。提出了一种基于P-AHP的MP2P超级节点选取算法(Personalized Analytic Hierarchy Process, P-AHP)。选取存储能力、计算能力、节点的鲁棒性、节点的节能性和安全性能五个指标作为关键性能指标KPI(Key Performance Indicators, KPI)。层次分析法AHP(Analytic Hierarchy Process, AHP)求出节点的综合性能指标,实现了超级节点的选取。根据用户业务的需求来个性化(Personalized)调整KPI的权重,体系了P-AHP算法的灵活性。仿真实例验证了提出的有效性。提出了一种基于神经网络和目标驱动的MP2P网络QoS自适应保障模型NGDA (Neural Goal-driven Adaptive, NGDA)。网络服务被分为首选服务和备选服务两类,神经网络实时的检测当前网络的服务QoS;当发现服务的QoS不满足用户的需求时,能够自适应地从备选服务中找到满足用户要求的替代服务。个性化服务定制体现了NGDA动态灵活的特性,整个模型运营在异构环境中。基于OMNeT++的仿真证明,NGDA模型可以在一定程度上提高MP2P网络中服务的请求成功率,克服了MP2P网络固有缺陷对网络服务QoS的影响。本文对异构网络环境中MP2P的超级节点选取、资源发现、流量管理、信任模型、QoS保障等关键技术进行深入的研究,提出了新的算法、模型和管理机制。数学建模、理论推导和OMNeT++仿真验证了提出算法和模型的有效性,并对下一步的研究方向做了预测。